Minęło trochę czasu, odkąd spojrzałem na testy ADF, ale pamiętam co najmniej dwie wersje testu ADF.
http://www.stat.ucl.ac.be/ISdidactique/Rhelp/library/tseries/html/adf.test.html
http://cran.r-project.org/web/packages/fUnitRoots/
Pakiet fUnitRoots ma funkcję o nazwie adfTest (). Myślę, że problem „trendu” jest różnie traktowany w tych pakietach.
Edytuj ------ Na stronie 14 poniższego linku były 4 wersje testu UFOT:
http://math.uncc.edu/~zcai/FinTS.pdf
Jeszcze jeden link. Przeczytaj sekcję 6.3 w następującym linku. Wykonywanie znacznie lepszej pracy niż wyjaśnienie terminu opóźnienia:
http://www.yats.com/doc/cointegration-en.html
Ponadto byłbym ostrożny z każdym modelem sezonowym. O ile nie masz pewności, że występuje sezonowość, unikałbym używania warunków sezonowych. Dlaczego? Wszystko można podzielić na sezonowe, nawet jeśli nie jest. Oto dwa przykłady:
#First example: White noise
x <- rnorm(200)
#Use stl() to separate the trend and seasonal term
x.ts <- ts(x, freq=4)
x.stl <- stl(x.ts, s.window = "periodic")
plot(x.stl)
#Use decompose() to separate the trend and seasonal term
x.dec <- decompose(x.ts)
plot(x.dec)
#===========================================
#Second example, MA process
x1 <- cumsum(x)
#Use stl() to separate the trend and seasonal term
x1.ts <- ts(x1, freq=4)
x1.stl <- stl(x1.ts, s.window = "periodic")
plot(x1.stl)
#Use decompose() to separate the trend and seasonal term
x1.dec <- decompose(x1.ts)
plot(x1.dec)
Poniższy wykres pochodzi z powyższej instrukcji wykresu (x.stl). stl () znalazł mały termin sezonowy w białym szumie. Można powiedzieć, że ten termin jest tak mały, że tak naprawdę nie stanowi problemu. Problem polega na tym, że w rzeczywistych danych nie wiesz, czy ten termin jest problemem, czy nie. W poniższym przykładzie zauważ, że seria danych trendów ma segmenty, w których wygląda jak przefiltrowana wersja surowych danych, oraz inne segmenty, w których można uznać, że różnią się znacznie od danych surowych.